基于分层Transformer从关系路径与上下文进行归纳关系预测
计算与语言
2023-07-11 v3 人工智能
机器学习
摘要
知识图谱（KGs）上的关系预测是一个关键研究课题。主流的基于嵌入的方法主要关注转导设置，缺乏泛化到新实体进行推理的归纳能力。现有的归纳推理方法大多挖掘实体间的连接，即关系路径，而未考虑关系上下文中所包含的头实体与尾实体的本质特性。本文提出一种新方法，通过以统一的层次化Transformer框架同时聚合关系路径与上下文，从而捕获实体间连接与实体内在本质，称为REPORT。REPORT仅依赖关系语义，可自然泛化至完全归纳设置，其中训练与推理的知识图谱无共同实体。实验中，REPORT在两个数个完全归纳数据集的八个版本子集上几乎全部一致优于所有基线。此外，REPORT可通过提供各元素对预测结果的贡献而具备可解释性。
引用
@article{arxiv.2304.00215,
title = {Inductive Relation Prediction from Relational Paths and Context with Hierarchical Transformers},
author = {Jiaang Li and Quan Wang and Zhendong Mao},
journal= {arXiv preprint arXiv:2304.00215},
year = {2023}
}
备注
Accepted by ICASSP 2023 (Oral). The code is available at: https://github.com/JiaangL/REPORT